基于EEMD-CNN 的泥浆泵故障诊断方法

成小强，王 林，崔 兵，黄 磊

（中国石油集团西部钻探克拉玛依钻井公司，新疆克拉玛依 834009）

0 引言

泥浆泵是石油钻井平台用来实现泥浆循环的重要设备，其运送的液体一般含有大量泥沙，有高黏度、高压力且具有一定腐蚀性的特点，因此也是钻井平台中最容易发生故障的设备之一。随着石油钻井的快速发展，泥浆泵的故障诊断受到越来越多的注意，泥浆泵是否正常运行严重影响钻井平台正常工作。泥浆泵故障时，轻则发生非计划停工、带来巨大的经济损失，重则导致人员伤亡，因此针对泥浆泵的故障诊断具有重要的现实意义。

模式识别作为最常用的分类方法之一，被广泛用于机械设备的故障诊断领域，并取得了良好的效果。已经有很多学者针对泥浆泵故障诊断进行了大量探索，裴峻峰等[1]利用小波包分解提各频段能量组成特征向量，输入最小二乘支持向量机中进行故障识别；别峰峰等[2]利用ICEEMDAN 对采集的原始信号进行分解得到若干个IMF（Intrinsic Mode Function，本征模态函数）分量，计算IMF 分量的奇异谱熵并构造特征向量，输入GNRR（General Regression Neural Network，广义回归神经网络）进行训练和模式识别；郭攀等[3]针对泥浆泵的声音信号采用多重分形趋势波动分析计算时间序列声音信号的多重分形谱，并提取故障特征输入支持向量机进行模式识别。

上述方法虽然在泥浆泵的模式识别中取得了不错的效果，但都是基于人工特征提取，难以挖掘深层的故障特征，且及其依赖特征提取的效果，适用于小样本的情况。近年来深度学习快速发展，已经在计算机视觉、语音处理、视频识别等方面研究领域广泛应用。深度学习是人工智能的一个子领域，由于其含有多层隐层网络和自适应的特征提取能力能够挖掘更深层次的特征，充分利用原始信号的全部信息，因此十分适用于大数据背景下机械设备的状态检测和故障诊断[4]。GANG LI 等[5]将一维信号转变为由3 个通道的三维图像信号，不仅增加了特征信息的可视性，同时降低了噪声信号对诊断的影响，然后输入CNN（Convolutional Neural Networks，卷积神经网络）进行故障诊断，提升故障诊断的准确率。

本文提出了一种结合EEMD（Ensemble Empirical Mode Decomposition，集合经验模态分解）和CNN 的分类模型，该模型可以很好地去除信号中噪声的干扰，并进行特征的自动提取。另外，本文还针对实验室BW-250泥浆泵采集的数据进行故障诊断，大大提高了故障诊断的准确率。

1 相关知识介绍

1.1 卷积神经网络

CNN 是一种前向传播神经网络，它的权值分享网络结构与生物的神经网络更为相似，这减少了网络模型的复杂度和参数的数量。CNN 的结构包括多层神经网络，主要由卷积层、池化层和全连接层，每一层由多个二维平面构成，每一个平面由多个独立的神经元构成[6]。

（1）卷积层。卷积层由于卷积操作而得名，但是它通常进行的是两个矩阵之间的互相关关系计算。卷积层主要的功能是，通过计算提取输入图像数据的隐层特征。卷积层有两个重要的超参数——padding 和stride，这两个超参数影响卷积之后输出图像的尺寸大小，padding 操作主要是在输入图像的高度和宽度方向填充一些相同的数值（通常为0）；stride 控制每一个卷积核在宽度和高度方向一次移动的距离。这样在卷积操作之后，可以减少输入图像的尺寸。

其中，N 为输入图像的原始尺寸，F 为卷积核的大小，p 为padding 操作的大小，s 为卷积核移动步长的大小，O 为卷积后输出图像的尺寸。

（2）池化层。池化层是为了减小特征值空间的尺寸，相比于卷积层主要是计算输入特征图像和卷积核之间的关联度，池化层主要是保留池化核中元素的最大值或平均值。本文中应用的是二维最大池化层。

（3）全连接层。全连接层通常位于整个神经网络的末端，它的主要作用是将学习到的参数矩阵展平成向量，然后将获得的向量输入分类器，实现模式识别。

1.2 短时傅里叶变换

傅里叶变换（FT）具有分析周期性信号和非周期性信号的能力，但是它不能分析非平稳信号。STFT（Short-Time Fourier Transform，短时傅里叶变换）能够有效确定非平稳信号的正弦频率和相位信息。STFT 分析长的时间序列信号是，通过分解它成为不同长度的更短的信号，并对分解后的信号片段分别进行FT。STFT 的计算式基于FFT（Fast Fourier Transform，快速傅里叶变换）[7]。

其中，x（t）为时域信号，h（t-ω）为窗函数。

对于STFT 而言，窗函数的类型和宽度是影响其变换效果的两个十分重要的因素，选择合适的窗函数，可以减少频谱泄漏和谱间干扰；窗的宽度影响着时域和频域的相对分辨率，窗的宽度越大分辨率越高、时间分辨率越小。

1.3 经验模态分解

EMD（Empirical Mode Decomposition，经验模态分解）是根据信号本身时间尺度特征的局部特征，自适应地将一组复杂信号分解为频率由高到低的IMF 分量。

其中，x（t）表示原始地时间序列，imfi（t）表示第i个IMF 分量，rn（t）是残差项、表示信号的趋势。

每个IMF 分量必须满足下列两个要求：①在数据长度上，极值点地数量和零点地数量必须相等或者最多差一个；②在任何数据点，局部最大值和局部最小值包络的平均值必须为零。

EMD 自适应地分解原始信号成一系列IMF，并且每一个IMF 包含不同频带组成。以这种方式将高频谐振成分从大幅值谐波中分离出来，噪声信号分布在整个频带，噪声的能量液分散在多个IMF 分量中。

1.4 集合经验模态分解

EEMD 是最常用的EMD 的改进方法，它可以解决EMD 方法中模态混叠的问题。EEMD 主要的改善是使用均值为0 的白噪声的优势，通过在分解过程中引入平均分布的白噪声来掩盖信号中的噪声，可以获得更加准确的上包络和下包络。同时，对分解结果进行平均处理，平均处理的次数越多、分解结果中含有更少的噪声[8]。EEMD 的分解过程如下：

（1）在原始的时间序列中添加随机的正态分布的白噪声，σ 是已知的，μ=0，则：

其中，yi（t）是第i 次添加白噪声后的信号，y（t）是原始信号，ni（t）是白噪声。

（2）使用EMD 分解添加白噪声后的时间序列数据。

（3）基于不同的白噪声，重复步骤（1）和步骤（2），每次添加新的白噪声，整合分解结果，对最终的结果取平均值：

其中，N 表示添加白噪声的数量，Cij（t）表示添加第j 次白噪声后的第i 个IMF 分量。

2 实验分析

2.1 实验数据

本文所有数据来源于BW-250 型三缸泥浆泵，振动传感器安装在阀腔正上方（图1）。泥浆泵的泵送频率为25 Hz（即每分钟泵送67 次），因实验室范围有限，运行状态为中压。

图1 BW-250 型泥浆泵传感器安装示意

2.2 数据处理

本次实验共采集到工况电机转频为25 Hz、中压负载下，3 种状态下数据长度为1 310 720 的数据各3 组，将每种状态下数据分为120 段、每段长度为32 768，时间序列信号的时域波形如图2 所示。

图2 振动信号时域波形

首先，对每段数据进行EEMD 分解，然后采取峭度准则，阈值设定为20，并将峭度值大于20 的IMF 分量进行重构（表1、图3）。重构将原始信号分解为6 个IMF 分量，由于故障信息主要在泥浆泵振动信号的冲击成分中，因此根据峭度准则选取大于一定阈值的IMF 分量进行重构。峭度公式如式（6）所示。

表1 各种状态峭度值

图3 泥浆泵故障状态EEMD 分解重构过程示意

其中，μ、σ 分别表示x 的均值和标准差，E（t）表示t 的期望值。

从图3 可以看出，3 种不同状态的数据存在差异，但是非专业人员无法完全判断波形所对应状态。因此，运用短时傅里叶变换将EEMD 重构后的信号从一维时间序列变为二维图像信息，增强了信号的特征表达能力。

经STFT 变换后，正常状态、液力端排出阀故障和活塞故障3 种状态的时间序列信号如图4 所示，其中窗类型选择为汉明窗、宽度为512。

图4 短时傅里叶变换结果

最终数据共有360 张图片，其中正常状态、阀故障和活塞故障各120 张，训练集与测试集的比值为7:3（表2）。

表2 数据集划分

2.3 神经网络训练

CNN 模型中，首先要对数据集进行处理，将特征图输入到卷积网络中，卷积层通过边缘检测、降噪等卷积运算，增强原始信号的特征。然后将其输入到池化层没在不丢失特征的情况下，通过下采样减少图片的维数，减少训练时间。

首先对图片进行预处理，将图片大小随机剪裁为宽度和高度均为224，进行水平翻转，然后对其进行归一化处理，将RGB 三个通道的均值和标准差均设置为0.5（图5）。

图5 EEMD-CNN 模型结构

为了得到最佳的网络参数，本文分别从学习率、批处理量等进行实验分析，得到了最佳的参数组合。学习率从[0.000 001，0.01]区间内对CNN 网络模型进行训练，批处理量从4、8、16、32、64 中选择最优参数，最终确定参数，学习率为0.000 04，批处理量为32。图6和图7 分别为网络模型训练的损失函数和准确率曲线。

图6 训练损失曲线

图7 验证集准确率曲线

从图6 和图7 可以看出，当进行到第150 次迭代时，模型的损失函数下降到0.3 左右，模型的准确率达到98%左右。

3 结束语

本文针对钻井配套设备泥浆泵进行故障诊断，采集实验室用BW-250 型三缸泥浆泵振动信号，共设置3种状态，分别为正常状态、泵阀故障状态以及活塞故障状态。首先采用EEMD 方法对采集到的振动信号进行分解重构，滤去与振动冲击无关的干扰信号，很好地解决了EMD 方法的模态混叠问题。并通过短时傅里叶变换将重构后的振动信号转化为时频图，作为CNN 网络的输入特征图进行故障诊断。结果表明，基于EEMDCNN 的诊断方法针对泥浆泵故障有很好的诊断效果，故障诊断准确率达到97%左右，将其用于泥浆泵设备的状态检测，可直观地看到泥浆泵的运行状态，有助于解决钻井现场的实际问题。